尺度不變特徵變換匹配演算法詳解=scale invariant feature transform（sift）
定義：尺度不變特徵變換是一種計算機視覺的演算法，用來偵測與描述影像中的區域性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數。
應用範圍：物體辨識、機械人地圖感知與導航、影像縫合、3d模型建立、手勢辨識、影像追蹤和動作比對等。
區域性影響特徵的描述與偵測可以幫助辨識物體，sift特徵是基於物體的一些區域性外觀的興趣點，而與影像的大小和旋轉無關。
特點：①：sift特徵是影象的區域性特徵，對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、雜訊也保持一定程度的穩定性；
②：獨特性好
3：多量性，即使少數的幾個物體也可以產生大量的sift特徵向量
④：高速性，經優化的sift匹配演算法甚至可以達到實時的要求
⑤：可擴充套件性，可以很方便的與其它形式的特徵向量進行聯合
sift演算法可以解決的問題：
目標的自身狀態、場景所處的環境和成像器材的成像特性等因素影響影象配準/目標識別跟蹤的效能。
①：目標的旋轉、縮放、平移
②：影象仿射和投影變換
③：光照影響
④：目標遮擋
⑤：雜物場景
⑥：雜訊
sift演算法實質是在不同的制度空間上查詢關鍵點（特徵點），並計算出關鍵點的方向。不會因光照、仿射變換和雜訊等因素而變化的點，如角點、邊緣點、暗區的亮點與亮區等。
sift演算法分解步驟：
1. 尺度空間極值檢測：搜尋所有尺度上的影象位置。通過高斯微分函式來識別潛在的對於尺度和旋轉不變的興趣點。
2. 關鍵點定位：在每個候選的位置上，通過乙個擬合精細的模型來確定位置和尺度。關鍵點的選擇依據於它們的穩定程度
鍵點選擇依據於他們的穩定程度。
3. 方向確定：基於影象區域性的梯度方向，分配給每個關鍵點位置乙個或多個方向。所有後面的對影象資料的操作都相對於關鍵點的方向、尺度和位置進行變換，從而提供對於這些變換的不變性。
4. 關鍵點描述：在每個關鍵點周圍的鄰域內，在選定的尺度上測量影象區域性的梯度。這些梯度被變換成一種表示，這種表示允許比較大的區域性形狀的變形和光照變化。
詳解SIFT演算法
sift scale invariant feature transform 尺度不變特徵變換演算法,其具體特徵有 a sift是影象的區域性特徵,其對旋轉,尺度縮放,亮度變化保持不變,對視角變化,仿射變換,雜訊也保持一定程度的穩定性 b 區分性好,資訊量豐富,使用與海量特徵資料庫中進行快速,準確的...
SIFT演算法學習
這篇文章參考了utkarsh的部落格，感覺他對sift的理解非常深刻，傳送門在此 sift utkarsh sift學習 1.sift scaleinvariant feature transform 不同影象間的特徵匹配是計算機視覺中的乙個焦點，如果是大致相似的 同樣的尺寸，同樣的方向 簡單的角點...
SIFT演算法學習
首先，如果開始就看公式的話會蒙，因此我首先看到一篇博文，這篇文章對sift演算法做了通俗易懂的解釋。看完這篇文章後對sift演算法有了感性的認識，之後我又看到了一篇寫得特別詳細的部落格。通過這篇文章對sift演算法的原理和基本步驟有了更好的認識。以上兩篇部落格對我的幫助很大！以上兩篇部落格都沒有關鍵...